AgriAgent:面向农业环境控制的端到端大模型智能体系统架构OA

[目的/意义]为突破大语言模型在农业生产决策领域应用中存在的物理世界交互能力不足、专业工具调用受限,以及“幻觉”生成等问题,构建了一个工具增强型环控智能体系统。[方法]首先,基于开放气象数据与作物生长模型构建农业数字孪生评测平台,提供标准化闭环控制验证环境。其次,提出了AgriAgent架构,通过“传感器-记忆库-检索器-大语言模型-工具执行器”闭环流程,实现了田间环境的动态感知、知识检索、推理决策与精准执行的端到端闭环控制。该端到端架构的优势在于实现了“环境感知-动态决策-执行反馈”的全流程无缝衔接,极大地提升了系统在复杂、动态农业环境下的实时响应能力和决策精度,解决了传统应用缺乏“感知-决策-执行”闭环能力的问题。为验证系统有效性,在数字孪生环境中,对玉米、小米、甜菜、番茄、卷心菜5种作物在常规、扰动、极端3种情景下开展实验。[结果和讨论]以Qwen2.5_7B为核心的AgriAgent-7B模型表现最优,常规情景、扰动情景和极端情景下玉米产量较基线模型分别提升562.20%、459.70%、463.60%;小米产量分别提升646.80%、558.70%、351.20%;甜菜产量分别提升228.20%、118.20%、125.40%;番茄产量分别提升926.20%、979.55%、1537.46%;卷心菜产量分别提升501.67%、504.65%、1185.14%。此外,智能体参数量显著影响决策的质量,当参数量达到7 B时,智能体展现了卓越的灵活性与适应性,能够解决大部分复杂的农业生产决策问题。[结论]本研究验证了工具增强型智能体在农业动态决策中的有效性,提出的AgriAgent端到端架构,通过知识检索与工具调用闭环,在农业场景下实现了“环境感知-动态决策-执行反馈”的全周期闭环控制,为农业智能体研究提供了可靠技术路径和创新范式。